1 Objetivo

2 Data Wrangle

2.1 Importación de datos

2.1.1 Importación datos puntuaciones películas

Info de los archivos “combined_data_.txt” The first line of each file contains the movie id followed by a colon. Each subsequent line in the file corresponds to a rating from a customer and its date in the following format:

UserID,Rating,Date

  • MovieIDs range from 1 to 17770 sequentially.
  • UserIDs range from 1 to 2649429, with gaps. There are 480189 users.
  • Ratings are on a five star (integral) scale from 1 to 5.
  • Dates have the format YYYY-MM-DD.

Selección de 250 películas de manera aleatoria Utilizamos el código de Ricardo para seleccionar nuestras 250 peliculas con las siguientes modificaciones:

filas_ID_combined_all = read.csv(here("Data","filas_ID_combined_all.txt"))
set.seed(081034)
n_filas = nrow(filas_ID_combined_all)
muestra_grupo = sample(1:n_filas, 250, replace=F)
pelis <- filas_ID_combined_all[as.vector(muestra_grupo),]

Cargamos los 4 archivos originales con las puntuaciones:

attach(pelis)

data1 = read_tsv(here("Raw data","combined_data_1.txt"),col_names = FALSE)
data2 = read_tsv(here("Raw data","combined_data_2.txt"),col_names = FALSE)
data3 = read_tsv(here("Raw data","combined_data_3.txt"),col_names = FALSE)
data4 = read_tsv(here("Raw data","combined_data_4.txt"),col_names = FALSE)

Generamos un tibble vacío, y en función del archivo en el que se encuentre la pelicula, vamos añadiendo en scores las filas correspondientes a nuestras películas:

scores = tibble()
for(i in 1:nrow(pelis)){
  if (data[i]==1){
    scores = rbind(scores,data1[fila[i]:fila_final[i],])
  }
  else if (data[i]==2){
    scores = rbind(scores,data2[fila[i]:fila_final[i],])
  }
  else if (data[i]==3){
    scores = rbind(scores,data3[fila[i]:fila_final[i],])
  }
  else {
    scores = rbind(scores,data4[fila[i]:fila_final[i],])
  }
}

Guardamos un csv con solo nuestras 250 películas en el formato original

write_csv(scores, here("Data", "nuestras_pelis_raw.csv"))

Carga archivo puntuaciones de nuestras 250 películas Cargamos el csv generado en el paso anterior:

aux = read_csv(here("Data", "nuestras_pelis_raw.csv"), col_names = T)

2.1.2 Importación datos información sobre las películas

Carga archivo titulos películas

#rm(titles)
#algunas peliculas tienen una coma en su nombre, así que cargamos primero todo como una única columna, para luego dividirlo en 3, y hacer un merge la parte de los títulos despues de la coma
titles = read_table(here("Data",'movie_titles_raw.csv'), col_names=F) %>%
  separate(col = 1, into = c("MovieID", "Release_Year", "Title"), sep = ",", extra = "merge")

2.2 Limpieza de los datos

2.2.1 Limpieza datos puntuaciones películas

Aplicamos el código de Ricardo para limpiar el dataframe aux y pasar al dataframe scores con una fila para cada valoración de usuario

Reorganizamos variables y asignamos tipos de variable:

#Reorganización
scores %<>% relocate(MovieID, UserID, Date, Score)
#Asignación del tipo de dato
scores %<>% mutate(across(c(MovieID:UserID, Score), as.integer))
scores %<>% mutate(Date = as.Date(Date))

2.2.2 Limpieza datos títulos películas

head(titles)
## # A tibble: 6 x 3
##   MovieID Release_Year Title                       
##   <chr>   <chr>        <chr>                       
## 1 1       2003         Dinosaur Planet             
## 2 2       2004         Isle of Man TT 2004 Review  
## 3 3       1997         Character                   
## 4 4       1994         Paula Abdul's Get Up & Dance
## 5 5       2004         The Rise and Fall of ECW    
## 6 6       1997         Sick
titles  %<>% mutate(across(c(MovieID:Release_Year), as.integer))

2.2.3 Join de ´scores´ con ´titles´

Hacemos un left join con de scores con titles para añadir a la primera los títulos de cada película y el año en que se publicaron

  • El left_join se queda con todas las observaciones que aparecen en el primer dataset, es decir, solo tendrá en cuenta las películas observadas en scores.

  • El join entre tablas lo hemos hecho con la columna MovieID, presente en ambas tablas. Tal y como vemos en la tabla movies_titles.csv, cada película tiene un MovieID único, lo que se conoce como clave primaria. No obstante, en la tabla scores cada MovieID puede ser puntuada por varios UserID, en este caso, la clave primaria se constituye a partir de la combinación de ambas variables.

scores %<>% left_join(titles, by = 'MovieID')
summary(scores)
kable(head(scores))

2.2.4 Exportación datos limpios

Exportamos el archivo csv limpio para trabajar con el a partir de ahora

write_csv(scores,here("Data", "nuestras_pelis.csv"))

2.2.5 Importación datos limpios para analizar en la sección Estadística Descriptiva

scores = read_csv(here("Data","nuestras_pelis.csv"))

# Cambiamos los tipos de variable necesarios
scores %<>% mutate(across(c(MovieID,UserID,Score,Release_Year), as.integer))
glimpse(scores) #para ver el tipo de dato
## Rows: 1,508,892
## Columns: 6
## $ MovieID      <int> 515, 515, 515, 515, 515, 515, 515, 515, 515, 515, 515, 5…
## $ UserID       <int> 2295232, 1560318, 2550394, 1502043, 1507284, 771626, 157…
## $ Date         <date> 2005-08-16, 2005-10-04, 2005-11-01, 2005-08-15, 2005-10…
## $ Score        <int> 1, 3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 3,…
## $ Release_Year <int> 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 20…
## $ Title        <chr> "Avia Vampire Hunter", "Avia Vampire Hunter", "Avia Vamp…

3 Estadística Descriptiva

Vemos que tenemos información de la peliculas 1 a la 15, y las puntuaciones se hicieron entre el 2000 y el 2005 (mayoritariamente en 2005). Distribución de los meses y dias en que se puntuo es uniforme.

Veamos más informacion sobre los datos:

length(unique(scores$UserID)) #20537 usuarios distintos
## [1] 327577
table(scores$Score) # frecuencia puntuaciones
## 
##      1      2      3      4      5 
##  76876 167088 455242 515741 293945
table(head(scores$MovieID)) # frecuencia title
## 
## 515 
##   6

3.1 Pregunta 1

Justifica para cada una de las variables de la tabla anterior el tipo de dato que mejor se ajusta a cada una de ellas: numérico, ordinal, categórico. . . .

glimpse(scores)
## Rows: 1,508,892
## Columns: 6
## $ MovieID      <int> 515, 515, 515, 515, 515, 515, 515, 515, 515, 515, 515, 5…
## $ UserID       <int> 2295232, 1560318, 2550394, 1502043, 1507284, 771626, 157…
## $ Date         <date> 2005-08-16, 2005-10-04, 2005-11-01, 2005-08-15, 2005-10…
## $ Score        <int> 1, 3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 3,…
## $ Release_Year <int> 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 2005, 20…
## $ Title        <chr> "Avia Vampire Hunter", "Avia Vampire Hunter", "Avia Vamp…

Variables tipo int: MovieID, CustomerID, Score, Release_Year - UserID: Contiene un número entero, estos son objetos que contienen un único campo, un identificado ID para cada cliente, no queremos duplicados. - MovieID: Contiene un número entero, estos son objetos que contienen un único campo, un identificado ID para cada película, no queremos duplicados. Un integer es inmutable. No obstante, cuando creemos gráficas los vamos a transformar a chr para evitar que los ejes escalen los números. - Release_Year: No existen años con decimales, por lo tanto utilizar variables para datos enteros seria suficiente. Movie_title: chr. Utilizamos el tipo carácter porque nos interesan objetos que representan un conjunto de letras. - Score: Las puntuaciones son números enteros del 1 al 5. Las películas no aceptan decimales como puntuación.

Variables tipo date: Date - Date : esta variable incluye datos de tipo fecha (YY/MM/DD) por ello lo más adecuado es tratarlo como una variable de este tipo. Gracias a esto, podemos aplicar paquetes como lubridate para manipular fechas.

Variables tipo chr: Title - Title: Utilizamos el tipo carácter porque nos interesan objetos que representan un conjunto de letras.

3.2 Pregunta 2

Estudia la distribución del numero de películas estrenadas por año. Realiza un gráfico que muestre esta distribución haciendo los ajustes necesarios (agrupaciones, cambios de escala, transformaciones. . . )

Valoración media por ‘Release_Year’, de mayor a menor:

id_year <- group_by(scores, MovieID) %>% 
  summarise(Release_Year = unique(Release_Year)) 
movies_per_year <- id_year %>% group_by(Release_Year) %>% 
  summarise(Count_Movies = n_distinct(MovieID))

summary(movies_per_year)
##   Release_Year   Count_Movies  
##  Min.   :1927   Min.   : 1.00  
##  1st Qu.:1960   1st Qu.: 1.00  
##  Median :1978   Median : 2.00  
##  Mean   :1974   Mean   : 4.63  
##  3rd Qu.:1992   3rd Qu.: 5.00  
##  Max.   :2005   Max.   :25.00
movies_per_year[which(movies_per_year$Count_Movies==25),]
## # A tibble: 1 x 2
##   Release_Year Count_Movies
##          <int>        <int>
## 1         2000           25

El año que se estrenaron más películas fue el 2000 y se estrenaron 25 y en un 50% de los años se estrenaron como mucho 2 pelis. Tener en cuenta que esto es sobre una muestra de un 1.4068655% del total de las películas de netflix.

ggplot(data=movies_per_year) + #sistema de coordenadas al que añadir puntos(creates an empty graph)
  geom_point(mapping=aes(Release_Year, Count_Movies), color='blue', fill='red', shape=21) +
  ggtitle('Distribución del número de películas por año de publicación')

ggplot(data=id_year) + 
  geom_bar(mapping=aes(x=Release_Year), stat='count', color='blue') +
  ggtitle('Distribución del número de películas por año de publicación')

ggplot(data=id_year, aes(x=Release_Year)) +
  geom_density(fill="#69b3a2", color="#e9ecef", alpha=0.8)

release_year_score_avg <- scores %>%
  group_by(Release_Year) %>%
  summarise(Mean_Score = mean(Score), n = n()) %>%
  arrange(desc(Mean_Score))

kable(head(release_year_score_avg))
Release_Year Mean_Score n
1952 4.101009 29225
1934 4.025687 11095
1971 3.880000 375
1981 3.853545 56502
1945 3.840952 9494
1941 3.771467 2958

3.3 Pregunta 3

Investiga la librería lubridate (o la que consideréis para manipulación de datos) y utilízala para transformar la columna de la fecha de la valoración en varias columnas por ejemplo year, month, week, day_of_week.

Valoración media por día de la semana, de mayor a menor:

scores %<>% mutate(
  Year = year(Date), 
  n_month = month(Date),
  Week = week(Date), 
  Day = day(Date), 
  n_day_week = wday(Date,
                  week_start = getOption("lubridate.week.start", 1)
                  ),
  Is_Weekend = if_else( isWeekend(Date) == TRUE, "Weekend", "Weekday" ) 
  )
#Generamos una variable `Month`
scores %<>% mutate(
  Month = ordered(n_month, levels = seq(1, 12, 1),labels = month.abb),
  Day_Week = ordered(n_day_week, levels = seq(1, 7, 1), labels = day.abb)
)

Valoración media entre semana / fin de semana:

weekend_weekday_scores <- scores %>%
  group_by(Is_Weekend) %>%
  summarise(Mean_Score = mean(Score), n = n())

kable(weekend_weekday_scores)
Is_Weekend Mean_Score n
Weekday 3.517167 1198343
Weekend 3.525031 310549 
n_scores_weekend = weekend_weekday_scores  %>% filter(Is_Weekend == TRUE) %>% select(n)
n_scores = sum(weekend_weekday_scores$n)
n_scores_weekend_weekday_ratio = n_scores_weekend / n_scores #el 18% de las valoraciones son en fin de semana, que es menos que el 28% de días que son fin de semana

3.4 Pregunta 4

Genera un tabla que para cada película nos dé el número total de valoraciones, la suma de las valoraciones, la media las valoraciones, y otras estadísticos de interés (desviación típica, moda , mediana).

Valoración media por película, de mayor a menor:

movie_scores <- scores %>%
  group_by(MovieID) %>%
  summarise(Sum_Score = sum(Score), Mean_Score = mean(Score), SD_Score = sd(Score), Mode_Score = mlv(Score), Median_Score = median(Score) , n = n()) %>%
  left_join(titles, by = 'MovieID')

kable(head(movie_scores %>% arrange(desc(Mean_Score))))
MovieID Sum_Score Mean_Score SD_Score Mode_Score Median_Score n Release_Year Title
4353 52674 4.336022 0.9997265 5 5 12148 2002 Curb Your Enthusiasm: Season 3
7393 11222 4.255593 0.8992768 5 4 2637 1993 Prime Suspect 3
2360 119852 4.101009 0.9473879 5 4 29225 1952 Singin’ in the Rain
2144 10102 4.079968 1.1253132 5 4 2476 2004 VeggieTales: Dave and the Giant Pickle
8382 44665 4.025687 0.9605373 5 4 11095 1934 The Thin Man
8940 11320 4.014184 1.2366969 5 4 2820 2000 Felicity: Season 3 
kable(head(movie_scores %>% arrange(desc(n))))
MovieID Sum_Score Mean_Score SD_Score Mode_Score Median_Score n Release_Year Title
6037 630194 3.973455 0.8450219 4 4 158601 2002 The Bourne Identity
8387 426515 3.587778 0.9070202 4 4 118880 2002 Minority Report
10730 335467 3.357692 1.0526205 4 3 99910 2002 Gangs of New York
313 368241 3.689346 1.0925298 4 4 99812 2000 Pay It Forward
9645 268580 3.360695 1.0365314 3 3 79918 2003 Daddy Day Care
6329 299611 3.762539 0.9627352 4 4 79630 1990 Edward Scissorhands

3.5 Pregunta 5

De las cinco películas con más número total de valoraciones, compara sus estadísticos y distribuciones (histogramas, boxplot, violin plot,. . . )

A continuación, representamos el top 5 películas en un treemap:

Primero, vamos a comparar los estadísticos de estas cinco películas mediante un boxplot y un histograma:

par(bg="grey98", mar=c(3,3,3,3), mfcol=c(1,2))
top5 = scores %>% 
  filter(MovieID %in% c('6037', '8387' , '10730' , '313', '9645'))

pl <- ggplot(top5, aes(x = Score, y = Release_Year, fill = factor(MovieID)))
pl + geom_boxplot() + theme_bw() + coord_flip() + labs(fill = "Year", title = 'Boxplot de la puntuación por película y año de estreno')+
  scale_y_continuous(breaks = seq(1999, 2005, 1))

ggplot(top5, aes(x=top5$Score))+
  geom_histogram(aes(y=..density..), position="identity", alpha=0.5) + 
  geom_histogram(bins=5, color="black", fill="deepskyblue4",
                 linetype="dashed") +
  labs(title="Histograma puntuaciones top 5 películas",x="Scores", y = "Densidad")+
  theme_bw()

En el boxplot se representan las cinco películas por año de estreno. Como muestra el gráfico, las películas se estrenaron entre el 2000 y el 2003 (excluyendo el 2001, donde no se produjo ningún estreno). De estas, la mayoria tienen su mediana en la puntuación 4, seria el caso de las películas con ID 313, 6037 y 8387 respectivamente. Luego, el resto tienen como mediana la puntuación 3.

El histograma nos sirve para reforzar la afirmación anterior, vemos que la frecuencia de puntuaciones 3 y 4 son las más abundantes.

Como alternativa al boxplot, se puede utilizar el +violin plot*. En este caso vamos a representar la puntuación otorgada por los usuarios a cada película:

plot2

Por último, estudiamos si existe relación entre la puntuación media y el año de estreno. Como podemos observar, no existe relación entre

Luego, vamos a observar si existe correlación entre estas variables. Debido al tamaño de la muestra, no se puede establecer si existe o no relación.

3.6 Pregunta 6

Investiga la distribución de valoraciones por día de la semana y por mes.¿Qué meses y días de la semana se valoran más películas en netflix?

month_scores <- scores %>%
  group_by(Month) %>%
  summarise(Mean_Score = mean(Score), n = n())

day_week_scores <- scores %>%
  group_by(Day_Week) %>%
  summarise(Mean_Score = mean(Score), n = n())

kable(month_scores %>% arrange(desc(n)))
Month Mean_Score n
Aug 3.454642 147065
Oct 3.558666 146252
Sep 3.522692 138154
Nov 3.503592 136295
Jul 3.570329 125319
Jun 3.570904 125042
Jan 3.491908 119567
Dec 3.516152 117014
Feb 3.495188 116994
Mar 3.485262 116570
May 3.541652 113008
Apr 3.516569 107612 
kable(day_week_scores %>% arrange(desc(n)))
Day_Week Mean_Score n
Tue 3.507362 267460
Mon 3.508918 260777
Wed 3.526315 250692
Thu 3.523394 217364
Fri 3.522742 202050
Sun 3.522538 159776
Sat 3.527674 150773 
ggplot(data = month_scores, aes(x = Month, y = n)) +
  geom_bar(stat = "identity") +
  scale_x_discrete(drop = FALSE, breaks = levels(scores$Month))

ggplot(data = day_week_scores, aes(x = Day_Week, y = n)) +
  geom_bar(stat = "identity") +
  scale_x_discrete(drop = FALSE, breaks = levels(scores$Day_Week))

3.7 Pregunta 7

Genera una tabla agrupada por película y año del número de valoraciones. Representa la tabla gráficamente para las 10 películas con mayor número de valoraciones .

table7.1 <- group_by(scores, MovieID, Year=year(Date)) %>%
  summarise(votes = n_distinct((UserID)))                     #agrupamos por pelicula y año en que fue valorada

table7.2 <- group_by(scores, MovieID) %>%
  summarise(votes = n_distinct((UserID)))                     #agrupamos por pelicula

top10 <- head(arrange(table7.2, desc(votes)), 10)             #las 10 más votadas

movies_onfire <- filter(table7.1, MovieID %in% top10$MovieID) #onfire porque es un heatmap y son las pelis mas votadas
for (i in 1:10) {
  movie <- top10$MovieID[i]
  indexes <- which(movies_onfire$MovieID == movie)
  movies_onfire$MovieID <- replace(movies_onfire$MovieID, indexes, i)
  count=i
}                                                             #Ordenamos las pelis según el top10
kable(top10)
MovieID votes
6037 158601
8387 118880
10730 99910
313 99812
9645 79918
6329 79630
9828 56004
8159 50665
2953 47811
2395 42843

Para visualizar la distribución de votaciones por año que obtubieron las 10 peliculas más votadas de Netflix, creamos un Heatmap

# 1r creamos una secuencia significativa de intervalos
# barplot(height = movies_onfire$votes, ylim =c(1,80000)) #Cambiando los limites de y que intervalos son significativos

secuencia <- cut(movies_onfire$votes,
                 breaks = c(min(movies_onfire$votes), 1000, 2000, 3000, 5000, 7000, 10000, 15000,
                            20000, 25000, 30000,35000,40000,45000,50000,max(movies_onfire$votes)),
                 labels=c('0<','1k-2k', '2k-3k', '3k-5k', '5k-7k', '7k-10k', '10k-15k', '15k-20k',
                          '20k-25k', '25k-30k', '30k-35k', '35k-40k', '40k-45k', '45k-50k','>85k'),
                 include.lowest = T) #15 values
# 2n creamos una paleta de 15 colores
library(RColorBrewer)
nb.cols <- 15
mycolors <- colorRampPalette(brewer.pal(9, "YlOrRd"))(nb.cols)

# 3r creamos el Heatmap
ggplot(movies_onfire, aes(text = paste('Votes:', votes), y = MovieID, x = Year )) +  #text para visualizar votos en el interactivo
  geom_tile(aes(fill = secuencia)) +                  
  scale_y_continuous(breaks=1:10) +             
  scale_x_continuous(breaks=1999:2005) +
  scale_fill_manual(values = mycolors) +              #secuencia de colores
  labs(fill = 'Votes') -> hm                           #Legend name
ggplotly(hm, tooltip = c('text', 'MovieID', 'Year'))

3.8 Pregunta 8

Distribución del score promedio por año de las 10 películas con mayor número de valoraciones.

ggplot() +
  #geom_point(color = 'red', fill = 'red', size = 4, shape = 18, alpha = 0.5) +
  geom_rug(data=ej_10, mapping=aes(x=Mean_Score), color="darkorange") +
  geom_rug(data=ej_10, mapping=aes(y=Release_Year), color="darkmagenta") +
  geom_point(data=ej_10, mapping=aes(x=Mean_Score, y=Release_Year), color = 'darkturquoise', fill = 'darkmagenta', size = 4, shape = 18, alpha = 0.5) +
  ggtitle("Distribución del score promedio por año de las 10 películas
          con mayor número de valoraciones") +
  #theme(plot.title = element_text(size = 10, face = "bold", family = 'Century')) + 
  xlab('Puntuación media') +
  ylab('Año de estreno')

#+
 # theme_bw() +
  #theme(text=element_text(family="Broadway", face="bold", size=10))

3.9 Pregunta 9

Realiza algún gráfico o estudió de estadísticos adicional que consideres informativo en base al análisis exploratorio anterior.

1. Puntuaciones por _quarter_

En este apartado vamos a representar los meses que recogen mayores puntuaciones. Para observar mejor los resultados, hemos decidido dividir el estudio en tres escenarios diferentes. En primer lugar, el Q1 que comprende de enero a abril (ambos incluidos), y lo mismo con Q2 de mayo a agosto y, finalmente, Q3 de septiembre a diciembre.

Este ha sido el resultado:

par(mfrow = c(3,1))
gg1

gg2

gg3

par(mfrow = c(1,1))

Observando estos resultados, podemos saber qué mes recoge las puntuaciones más altas. En el primer escenario (1Q) es enero, en el segundo escenario (2Q) es agosto y en el tercer escenario (3Q) es octubre.

3.9.1 Buscar los top 5 usuarios que más películas han puntuado. Luego, comparar con el top 1 usuario qué películas han dejado de evaluar el resto.

Primero vamos a buscar el número de total de películas que han sido evaluadas por usuario:

#número de veces que ha votado cada usuario
num_votos_por_usuario = aggregate(scores$UserID, by = list(Usuario=scores$UserID), length)

En segundo lugar, seleccionaremos el top 5 usuarios que más películas han puntuado,

df <- scores %>% group_by(UserID) %>% count()
df <- scores %>% group_by(UserID) %>% summarise(NN = n())
df <- scores %>% group_by(UserID) %>% 
  summarise(NN = n(), percent = n()/nrow(.) ) #Añadir a la tabla el % que representa cada país en el Total
df <- scores %>% group_by(UserID) %>%
  summarise (NN = n()) %>%
  mutate(percent= NN / sum(NN))
top_5_users <- head(df[order(df$NN, decreasing = TRUE),],5)
knitr::kable(top_5_users, digits = 5, align = "c", caption = "Top 5 Usuarios")
Top 5 Usuarios
UserID NN percent
305344 249 0.00017
387418 247 0.00016
2439493 232 0.00015
1664010 223 0.00015
2118461 208 0.00014

En tercer lugar, buscaremos qué películas han sido evaluadas por estos usuarios. Seguidamente, compararemos el total de películas evaluadas por el usuario top_1 con el resto:

##top_pelis_1
top_pelis_1 = scores %>% 
  filter(UserID %in% c('305344'))

##top_pelis_2
top_pelis_2 = scores %>% 
  filter(UserID %in% c('387418'))

##top_pelis_3
top_pelis_3 = scores %>% 
  filter(UserID %in% c('2439493'))

##top_pelis_4
top_pelis_4 = scores %>% 
  filter(UserID %in% c('1664010'))

##top_pelis_5
top_pelis_5 = scores %>% 
  filter(UserID %in% c('2118461'))

El usuario que más películas ha puntuado es el 305344, entonces vamos a comparar el resto de usuarios con este:

top_pelis_1$comp2 <- as.integer(top_pelis_1$MovieID %in% top_pelis_2$MovieID)
top_pelis_1$comp3 <- as.integer(top_pelis_1$MovieID %in% top_pelis_3$MovieID)
top_pelis_1$comp4 <- as.integer(top_pelis_1$MovieID %in% top_pelis_4$MovieID)
top_pelis_1$comp5 <- as.integer(top_pelis_1$MovieID %in% top_pelis_5$MovieID)
Dif_1_2= top_pelis_1 %>% 
           filter(comp2 %in% c('0'))
Dif_1_3= top_pelis_1 %>% 
  filter(comp3 %in% c('0')) #░obtener las que no aparecen
Dif_1_4= top_pelis_1 %>% 
  filter(comp4 %in% c('0')) #░obtener las que no aparecen
Dif_1_5= top_pelis_1 %>% 
  filter(comp5 %in% c('0')) #░obtener las que no aparecen

Películas que el top_2 no ha evaluado pero el top_1 si lo ha hecho:

films_2 = Dif_1_2$Title

Películas que el top_3 no ha evaluado pero el top_1 si lo ha hecho:

films_3 = Dif_1_3$Title

Películas que el top_4 no ha evaluado pero el top_1 si lo ha hecho:

films_4 = Dif_1_4$Title

Películas que el top_5 no ha evaluado pero el top_1 si lo ha hecho:

films_5 = Dif_1_5$Title
2. Puntuaciones por película
3. Puntuaciones por usuario
4. Número de puntuaciones por película, usuario y año lanzamiento
5. Distribucion de los scores (boxplot,barplot)
6. Series temporales de puntuaciones
7. Distribución de cuantos usuarios evaluan cuantas pelis totales y diferentes

4 Sistema de Recomendación / Similaridad (opcional)